基于支持向量描述的自适应高光谱异常检测算法

提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.     

基于新型光谱相似度量核的高光谱异常检测算法

提出一种新型光谱相似度量核函数,并应用于高光谱异常检测.由于高斯径向基核函数是基于光谱向量间欧式距离的度量,其对于光谱向量间距离变化的适应性较强,而对于因光照强度变化,阴影和遮挡等引起的同种地物光谱变化的适应性较弱,使得基于高斯径向基核的高光谱异常检测算法性能下降.为解决该问题,从光谱曲线形状描述出发,基于光谱相似度量提出了光谱相似度量核函数.通过理论分析和真实高光谱数据异常检测实验检验,实验结果说明相对于高斯径向基核函数,光谱相似度量核函数具有一定的优越性,能改善基于核方法的高光谱异常检测算法的性能.     

基于新型光谱相似度量核的高光谱异常检测算法

提出一种新型光谱相似度量核函数,并应用于高光谱异常检测.由于高斯径向基核函数是基于光谱向量间欧式距离的度量,其对于光谱向量间距离变化的适应性较强,而对于因光照强度变化,阴影和遮挡等引起的同种地物光谱变化的适应性较弱,使得基于高斯径向基核的高光谱异常检测算法性能下降.为解决该问题,从光谱曲线形状描述出发,基于光谱相似度量提出了光谱相似度量核函数.通过理论分析和真实高光谱数据异常检测实验检验,实验结果说明相对于高斯径向基核函数,光谱相似度量核函数具有一定的优越性,能改善基于核方法的高光谱异常检测算法的性能.     

高光谱图像自适应核联合表示异常检测

针对高光谱图像目标检测问题,提出了一种基于自适应核联合表示的高光谱图像异常检测方法。相比于稀疏表示强调系数向量的稀疏性,基于联合表示的检测算法更强调背景字典中每一原子对联合表示的贡献,并且系数求解更加简单直接;在基于向量2-范数极小化问题求解联合表示系数时,引入相似性正则化矩阵与和为1的条件对系数进行约束,以增强算法的稳定性和分辨力;进而将联合表示检测算法扩展到核空间,利用高光谱图像的局部统计特性进行核参数自适应选取,增强了核参数的局部适应性。为验证该方法的有效性,采用一幅实测高光谱图像中的两个感兴趣区域进行仿真实验,并与传统异常检测方法的检测结果进行对比分析,结果表明该方法具有较传统异常检测方法更出色的检测效果。     

基于光谱角累加的高光谱图像异常检测算法

针对传统方法中用作背景的像素中存在干扰像素的问题,提出一种基于光谱角累加的高光谱图像异常检测算法。通过计算测试区域待测像素光谱向量与其他光谱向量之间的夹角,并将其累加,得到图像中每个像素的异常程度;然后使用波段选择预处理方法进一步提高检测性能。HyMap高光谱数据验证表明,在虚警概率设为0.008时,检测概率达到0.73,即在提高异常检测可靠度的同时,降低了虚警概率。     

基于自适应参数支持向量机的高光谱遥感图像小目标检测

针对高光谱遥感图像的小目标检测问题,提出了一种基于自适应参数支持向量机(SVM)的检测方法。采用主成分分析(PCA)法对高光谱遥感图像进行降维,降低数据冗余度;之后通过无监督检测方法对小目标进行快速、粗糙定位,并将该定位结果作为后验信息输入到SVM中;依据后验信息与核空间散度准则自适应确定SVM中核函数的参数,并使用SVM在核空间中寻找分离目标和背景的最佳超平面;利用该超平面将像元重新分类为背景和目标,并且迭代上述操作,得到精确且稳定的目标检测结果。大量实验结果表明,与经典RX方法、核RX方法、支持向量数据描述(SVDD)方法相比,该方法可以更有效、精确地检测出高光谱遥感图像中的小目标。     

基于光谱区分法的高光谱核异常检测算法

为了解决高光谱目标检测中高斯径向基核、光谱相似度量核难以同时描述光谱曲线整体及局部特性的问题,利用光谱信息散度与梯度角正切相结合的光谱区分方法构造了一种新的核函数.对真实机载可见红外成像光谱仪高光谱数据进行高光谱核异常检测,得到二值图及接收机操作特性曲线.结果表明,在低虚警率下,相比于高斯径向基核、光谱相似度量核,本文所提出核函数在高光谱核异常检测中准确度与清晰度更高.     

基于多检测器最大熵融合的多通道光谱图像异常检测

提出了一种多检测器最大熵融合的多通道光谱图像异常检测算法.选择多个不同的异常检测器，并利用自适应窗宽非参核密度估计方法估计其各自的输出分布，保留了多通道光谱图像数据的“长尾”特性，且避免了先验模型假设带来的模型误差.将各原始检测器的输出投影到具有标准正态边缘分布的变换空间中，利用变换空间中模型化的最大熵融合规则实现多检测器的决策级最优概率融合.在原数据空间通过似然函数的检验完成多通道光谱图像的目标检测.利用机载EPS-A航拍多通道光谱图像进行了实验，实验结果表明了算法的有效性.     

基于空谱联合异常度的高光谱异常目标检测

随着高光谱图像技术的不断发展,光谱分辨率和空间分辨率不断提高,相比于其他遥感图像,能够获得更为精细的光谱特征。这为地物的高精度分类、解混和目标检测等研究领域提供了理论平台,其中由于高光谱异常目标检测技术不需要地物的先验信息,更符合实际应用的需求。针对现有的大多数高光谱异常目标检测算法只关注目标和背景在光谱信息方面的差异,而忽略两者空间信息的差异,导致检测精度不高的问题,提出了一种基于空谱联合异常度的高光谱异常目标检测算法。该算法不需要假设图像的背景模型,建立在滑动双窗口的基础上,提出了光谱异常度和空间异常度两个概念。在光谱异常度计算中,考虑了波段间的非线性特征,采用光谱角匹配的核函数方法进行检测,基于双窗口模型的基础上逐个计算中心像元与局部背景像元的核光谱角并设置阈值来获得中心像元的光谱异常度;在空间异常度的计算中,由于物质在空间方面的聚类特性,通过构建像元点的空间窗模型能够得到代表像元类别的图像块灰度向量,同时求解不同像元之间图像块灰度向量的欧式距离并设置阈值来获得中心像元的空间异常度;最后将中心像元的光谱异常度与空间异常度进行加和则可得到中心像元的空谱联合异常度,基于滑动双窗口模型对整幅图像的像元进行逐个检测,即可得到图像的异常检测结果。采用AVIRIS的三组真实高光谱数据对所提算法进行仿真实验,并与传统的RX算法、 LRX算法和KRX算法进行对比研究,结果表明本文算法具有较好的检测效果,与KRX算法相比,运行速度具有较大幅度的提升。     

基于高斯马尔科夫模型的高光谱异常目标检测算法研究

随着光谱成像技术的发展,高光谱异常检测在遥感图像处理中的应用越来越广泛。传统RX异常检测算法忽略影像空间相关性,而且由于没有经过有效数据降维,运算耗费大,对于高光谱数据有效性不高。高光谱影像在空间和光谱上符合高斯-马尔科夫模型。通过建立马尔科夫参数能够直接计算协方差矩阵的逆矩阵,避免了高光谱海量数据的庞大计算。提出一种基于三维高斯-马尔科夫随机场模型的改进RX异常检测算法。该方法用高斯-马尔科夫随机场模型模拟高光谱影像数据,用最大似然近似法估计高斯-马尔科夫随机场参数,由高斯-马尔科夫随机场参数直接构造检测算子,并以待检测像元为中心设置局部优化窗口,称为马尔科夫检测窗。取窗口内数据计算均值向量和协方差逆矩阵,得到中心像元的异常度,通过移动窗口进行逐像元检测。应用AVIRIS高光谱数据对传统RX算法、高斯-马尔科夫模型背景假设异常检测算法和该算法进行了仿真实验对比。结果表明,该算法能够有效提高高光谱异常检测效率,降低虚警率。运行时间较传统RX算法提高了45.2%,体现出更好的计算效率。     

一种基于单似然检验的高光谱图像小目标检测器

针对背景和目标的先验光谱特征未知的条件,给出一种基于单似然检验的高光谱图像小目标检测器。小目标相对于背景的低概率性使得高光谱图像数据对目标光谱信号的矩特征几乎不施加约束,可在最大熵条件下将广义似然比检验简化为对背景似然的单似然检验;利用全部数据样本建立无参估计模型以充分利用样本信息,从而得到基于单似然检验的高光谱图像小目标检测器。该检测器避免了统计模型误差和不明确物理含义特征对实际高光谱图像数据检测带来的影响。使用可见光/近红外波段机载I型实用型模块化成像光谱仪(OMIS-I)高光谱图像进行了实验,实验结果及相应理论分析表明该算法可有效检测高光谱图像中的空间低概率目标。     

基于独立成分分析的高光谱图像异常检测

针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题,提出了一种基于独立成分分析(ICA)的异常探测算法.首先估计原始数据的虚拟维(VD)以确定要分离的独立成分个数,在此基础上进行快速独立成分分析(FastICA),然后基于平均局部奇异度选择含异常信息较多的独立成分,最后使用丰度量化算法得到异常目标的丰度图像...     

基于多尺度分解的超光谱图像异常检测

提出了一种基于多尺度分解的超光谱图像异常检测算法。在目标和背景均未知的前提下,利用光谱和空间两种信息完成对异常目标信号的定位,从而实现超光谱遥感数据中异常目标检测。首先利用非下采样塔式变换对超光谱图像进行分解,将其划分为不同尺度子块;然后依据超光谱图像同一波段不同尺度空间内相邻系数的相关性,采用不同波段各个尺度空间的反锐化掩模方法优化背景数据分布,从而抑制异常数据对背景的干扰;最后利用设计的核RX算子得到异常目标检测结果。为验证方法的有效性,利用真实和模拟的AVIRIS数据进行了实验,并与经典RX算法相比较,实验结果表明,基于非下采样塔式分解的异常检测方法具有更好的检测性能和较低的虚警。     

面向对象分析的非结构化背景目标高光谱探测方法研究

针对非结构化背景探测器中背景协方差矩阵估计的局限性,提出了一种基于面向对象分析的高光谱小目标探测算法。首先对图像进行自适应迭代分割处理,将其划分为许多均质对象;然后进行正态最优分布选取,利用多元正态无偏检验选取最佳对象集;最后将此数据集合作为局部背景并结合GLR基准算法进行目标探测。该算法可以使局部背景最大化的服从正态分布,有效地将背景光谱信息和目标光谱信息分离开来,同时通过最优选取过程克服了目标信息“污染”问题。为了验证算法的有效性,利用真实的OMIS数据进行仿真实验,并与非结构化背景探测器GLR和基于K-Means聚类的改进GLR算法的检测结果比较,结果表明提出的算法具有良好的探测性能和较低的虚警概率。     

基于波段子集特征融合的高光谱图像异常检测

高光谱图像分析中，对未知环境下伪装目标的检测识别具有较大难度，因为缺乏背景与目标的先验光谱信息.针对这一问题，提出一种高光谱图像异常检测算法.将高光谱图像分成波段子集进行特征提取，利用对图像中噪声程度及目标、背景之间可分性敏感的特征样本高阶统计量构造基本置信指派函数，通过D-S证据推理实现特征层智能融合异常检测.理论分析及仿真实验结果表明了算法的有效性.     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.